MACHINE LEARNING AV 01

Prévia do material em texto

Machine learning AV 1
0/0,5
São caracterizadas por terem ao menos uma camada intermediária ou escondida de neurônios, que fica entre as camadas de entrada e saída. Sendo assim, esse tipo de rede tem cerca de duas camadas de neurônios. A topologia de uma rede PMC é dependente do tipo de problema que será tratado e o algoritmo a ser utilizado no aprendizado pode ser o retroprogramação de erros.
Considerando essas informações e o conteúdo estudado, pode-se afirmar que o conceito apresentado refere-se:
a redes de Kohonen.
à backpropagation.
à perceptron multicamada.
à redução de dimensionalidade.
a redes perceptron.
1. Pergunta 2
0,5/0,5Leia o excerto a seguir:
“O que se verifica são, em certos casos, associações muitos fortes entre as diversas variáveis, o que significa a existência de algumas informações redundantes. O objetivo das técnicas de redução da dimensionalidade é, precisamente, reduzir a dimensionalidade dos dados sem perder, contudo, a informação significativa.”
Fonte: SILVESTRE, A. L. Análise de Dados e Estatística Descritiva. São Paulo: Ed. Escolar, 2007. 352 p.
Considerando essas informações e o conteúdo estudado sobre Redução de Dimensionalidade, pode-se afirmar que uma de suas aplicabilidades está relacionada:
Ocultar opções de resposta 
Correta: 
A) à análise de Imagens.
B) ao gerenciamento de oportunidades.
C) à tutoria de documentos.
D) ao sistema de software.
E) à avaliação de Informações.
2. Pergunta 3
0,5/0,5
Os métodos de redução de dimensionalidade podem ser divididos em dois tipos de processos, tais como: processo de extração de atributos e processo de seleção de atributos.
Considerando essas informações e o conteúdo estudado em relação ao processo de extração de atributos, é correto afirmar que:
A) este processo consegue manter todas as propriedades e aplicações relacionadas à inserção de subconjuntos durante o seu desenvolvimento.
B) os algoritmos selecionam os objetos do banco de dados com menos complexidade e melhor conjunto de características similares.
C) durante o processo, inicialmente se realiza a extração de características a partir dos dados oriundos da entrada, e são eliminados os atributos mais irrelevantes, fator que diminui a dimensionalidade.
D) a extração promove uma redução no custo de medição de dados, ao passo que as características que são selecionadas apresentam a mesma interpretação física de sua origem.
E) o método pode fornecer uma habilidade de discriminação mais eficiente quando comparado com o subconjunto das características originais.
3. Pergunta 4
0,5/0,5
 Leia o trecho a seguir:
 “É o algoritmo de Aprendizagem de Reforço mais popular, minuciosamente estudado e capaz de tornar simples a tarefa de um agente aprender uma política ótima quando modelado em um PMD. É definida uma função que representa a máxima recompensa acumulada ao longo do tempo.”
Fonte: MARTINS, M.; BIANCHI, R. Comparação de desempenho de algoritmos de aprendizado por reforço no domínio do futebol de robôs. 2007. Disponível em: <https://fei.edu.br/~rbianchi/publications/sbai2007-murilo.pdf>. Acesso em: 08 out. 2019.
Considerando essas informações e o conteúdo estudado sobre tipos de aprendizado por reforço ativo, pode-se afirmar que o trecho apresentado traz a definição de:
A) política do agente.
B) cenário de tráfego.
C) aprendizado Q- Learning.
D) algoritmo de PDA.
E) operador de maximização.
4. Pergunta 5
0/0,5
Leia o excerto a seguir:
“As redes neurais multicamadas são arquiteturas onde os neurônios são organizados em duas ou mais camadas de processamento, já que sempre vai existir pelo menos uma camada de entrada e uma camada de saída.”
Fonte: ZUBEN, V. Redes neurais multicamadas. Disponível em: <ftp://ftp.dca.fee.unicamp.br/pub/docs/vonzuben/theses/emi_mest/cap2.pdf>. Acesso em: 20 out. 2019.
Considerando essas informações e o conteúdo estudado sobre as redes neurais, pode-se afirmar que uma das características das redes múltiplas camadas:
Ocultar opções de resposta 
A) é a quantidade de neurônios dispostas nas mais variados camadas, estabelecendo a simplicidade da rede.
B) é o número de neurônios em cada camada, que é de extrema importância para o processo de tomada de decisão.
C) está no fato de ser capaz de estabelecer diversas camadas intermediárias e expostas de neurônios.
D) está na capacidade inversamente proporcional de estabelecer uma rede hábil em resolver problemas.
E) está na inserção de camadas superiores de neurônios, o que torna complexo o processo decisório.
5. Pergunta 6
0,5/0,5
Leia o trecho a seguir:
“‘O setor emprega 1,6 milhões de brasileiros, com uma média salarial duas vezes maior do que a média do país. Viabiliza a implantação de estratégias de transformação digital, que por sua vez impactam organizações públicas e privadas com o aumento de sua produtividade e eficiência, resultando em melhores níveis de serviços e em maior competitividade das organizações e do país como um todo’, avalia André Echeverria, diretor de inovação da Brasscom.”
Fonte: G1. Tecnologias da informação e comunicação devem movimentar R$ 600 bilhões até 2021. 2018. Disponível em: <https://g1.globo.com/sp/vale-do-paraiba-regiao/especial-publicitario/rm-vale-ti/noticia/2018/10/03/tecnologias-da-informacao-e-comunicacao-devem-movimentar-r-600-bilhoes-ate-2021.ghtml>. Acesso em: 08 out. 2019.
O trecho apresentado discorre sobre o panorama referente ao mercado que envolve tecnologia da informação e comunicação. Considerando essas informações e o conteúdo estudado sobre introdução a sistemas inteligentes, pode-se afirmar que a tecnologia da informação e comunicação, dentre outros aspectos, é capaz de:
Correta: 
A) criar oportunidades no mercado, interligar países e elevar a concorrência.
B) ampliar oportunidades internas, interligar a sociedade e evitar a concorrência.
C) diversificar as ações no mercado, interligar o conhecimento e minimizar a concorrência.
D) externar as atividades no mercado, coletar dados variados e ampliar a acessibilidade fixa.
E) limitar ações no mercado, sistematizar atividades e manter redes sem fio.
6. Pergunta 7
0/0,5
Leia o trecho a seguir:
“‘No futuro, o Facebook não estará autorizado a forçar os usuários a aceitar a coleta praticamente ilimitada de seus dados por meio de outros aplicativos’, resumiu o diretor da FCO, Andreas Mundt, antes de insistir na necessidade de ‘consentimento voluntário’ para qualquer tipo de coleta de dados, de acordo com a France Presse.”
Fonte: G1. Alemanha estabelece limite para coleta de dados do Facebook. 2019. Disponível em: <https://g1.globo.com/economia/tecnologia/noticia/2019/02/07/alemanha-estabelece-limite-para-coleta-de-dados-do-facebook.ghtml>. Acesso em: 08 out. 2019.
O trecho apresentado se refere aos limites para a coleta de dados no Facebook. Considerando essas informações e o conteúdo estudado sobre tipos de aprendizado de máquina, pode-se afirmar que coleta de dados manual se caracteriza por apresentar:
A) maior índice de envios, com um tempo de apresentação maior e um processo mais rápido.
B) maior índice de recebimento, com um tempo de envio menor e um processo menos custoso.
C) menor índice de acertos, com um tempo de coleta menor e um processo mais barato.
D) menor índice de automação, com um tempo de aplicação maior e um processo mais diversificado.
E) menor índice de falhas, com um tempo de coleta maior e um processo mais custoso.
7. 0,5/0,5
Leia o excerto a seguir:
“No caso do mapa de Kohonen, somente um neurônio, aquele com maior grau de ativação dentre todos da rede, é apresentado como vencedor. Assim, para verificar se o digrama de separação resultante é condizente com o diagnóstico desejado, pode-se avaliar o desempenho da rede.”
Fonte: MASSAD, E.; ORTEGA, N. R.; SILVEIRA, P. S. P. Métodos quantitativos de Medicina. São Paulo: Manole, 2004. p. 523. (Adaptado).
O excerto trata das características de um mapa de Kohonen. Considerando essas informações e o conteúdo estudado sobre redes de Kohonen, pode-se afirmar que estas redes se caracterizam por apresentar:
 
A)um insight por meio de redes convolucionais.
B) um cálculo por meio de uma rede backpropagation.
C) uma sequência através da rede neural artificial.
D) um treinamento não supervisionado e competitivo.
E) um padrão de redes Perceptron e Adaline.
Pergunta 9
0/0,5
Mineração de dados é a prática de minerar dados que já foram armazenados, utilizando diferentes formatos de algoritmos, a fim de gerar novas informações e encontrar padrões e apresentar algum resultado significante em um ambiente de negócio.
Considerando essas informações e o conteúdo estudado sobre o tópico, é correto afirmar que são tarefas da mineração de dados:
A) análise de regras de associação, árvores de decisão e classificadores bayesianos.
B) redes neurais, árvore de decisão e análise de outlier.
C) algoritmo apriori, redes neurais e análise de outlier.
D) redes neurais, classificação e predição e classificadores bayesianos.
E) análise de regras de associação, análise de outliers e classificação e predição.
8. Pergunta 10
0/0,5
Leia o excerto a seguir:
“O aprendizado de máquina é uma área da Inteligência Artificial cujo objetivo é o desenvolvimento de técnicas computacionais sobre o aprendizado, bem como a construção de sistemas capazes de adquirir conhecimento de forma automática.”
Manole, 2003. p. 89. (Adaptado).
Considerando essas informações e o conteúdo estudado sobre a redução de dimensionalidade, pode-se afirmar que a aprendizagem de máquina tem como objetivo:
A) desenvolver algoritmos que capazes de identificar mudanças na evolução de dados.
B) analisar o domínio da aplicação de uma redução dimensional e uma série específica de dados de treinamento disponíveis.
C) selecionar algoritmos que produzam uma representação das informações utilizando metodologias complexas de análise.
D) criar novas características a partir de transformações ou combinações do conjunto de características similares.
E) Selecionar os subconjuntos de características originais dentro de um espaço de alta dimensão 
Pergunta 11
0,5 Pontos
Leia o trecho a seguir:
“O KNN é usado no campo de data mining. Ele é um classificador onde o aprendizado é baseado ‘no quão similar’ é um dado (um vetor) do outro. O treinamento é formado por vetores de n dimensões, cujo funcionamento é bem simples.”
Fonte: JOSÉ, I. KNN (K-Nearest Neighbors). 2018. Disponível em: <https://medium.com/brasil-ai/knn-k-nearest-neighbors-1-e140c82e9c4e>. Acesso em: 08 out. 2019. (Adaptado).
Considerando essas informações e o conteúdo estudado sobre o aprendizado supervisionado, pode-se afirmar que o K-Nearest Neighbors (KNN), é um:
A)mecanismo utilizado para definir a inserção de pseudocódigos que tratam dos algoritmos usados na coleta de dados.
B) conectivo móvel utilizado para padronizar o armazenamento de dados e informações.
C) aprendizado estático baseado na coleta de dados e na inserção de técnicas de Machine Learning.
D) método de experimentação de caracteres que objetiva incorporar a Mineração de Dados.
E) algoritmo de classificação popular e de fácil implementação, no que se refere à Mineração de Dados e Machine Learning.
Pergunta 12
0,5 Pontos
Leia o excerto a seguir:
“A regra de Hebb foi uma das primeiras regras de aprendizagem para redes neurais a ser definida. Pode-se dizer que todas as regras de aprendizagem podem ser consideradas uma variante da regra de Hebb. Foi proposta como eventual mecanismo para a modificação de sinapses no cérebro, tendo sido usada desde então para treinar redes neuronais artificiais.”
Fonte: SILVA, C.; RIBEIRO, B. Aprendizagem computacional em engenharia. Coimbra: Universidade de Coimbra, 2018. p. 40. (Adaptado).
O trecho apresentado trata do conceito da regra de Hebb. Considerando essas informações e o conteúdo estudado sobre as redes neurais, pode-se afirmar que a regra Hebb de aprendizagem estabelece:
A) o mapeamento do comportamento das entradas e saídas.
B) o reconhecimento dos padrões geométricos em uma de suas aplicações.
C) a aplicação do chaveamento de circuito telefônico.
D) a classificação de suas entradas em duas saídas possíveis.
E) os padrões de classificação, que podem pertencer a duas classes.
Pergunta 13
0,5 Pontos
Leia o trecho a seguir:
“A coleta e o uso de dados brutos pelas agências de Comunicação já se tornaram uma prática recorrente no mercado. A novidade agora é utilizar todas essas informações de forma unificada e online como ferramenta estratégica a favor do relacionamento de marcas e clientes.”
Fonte: TERRA. Consultoria de marketing se alia à tecnologia para ampliar relacionamento entre marcas e clientes. 2019. Disponível em: <https://www.terra.com.br/noticias/dino/consultoria-de-marketing-se-alia-a-tecnologia-para-ampliar-relacionamento-entre-marcas-e-clientes,dec60bb5271e17bb1a7c21f26acef28e430o5u98.html>. Acesso em: 08 out. 2019.
O trecho apresentado trata do uso dos dados na área de comunicação e marketing. Considerando essas informações e o conteúdo estudado sobre definições de dados e informações, analise as afirmativas a seguir.
I. O dado é uma fonte primária para o desenvolvimento de informações que pode ser exposto em forma de códigos.
II. Dados estruturados se caracterizam por serem aqueles que renunciaram ao processo de codificação.
III. A informação estratégica trata, dentre outros aspectos, das tendências do mercado.
IV. O conhecimento surge diretamente da coleta dos dados ligados a situações variadas de informação.
Está correto apenas o que se afirma em:
A) I e IV.
B) II, III e IV.
C) II e III.
D) I, II e IV.
E) I e III.
Pergunta 14
0,5 Pontos
Leia o excerto a seguir:
“Certos tipos de algoritmos tentam encontrar objetos semelhantes, levando em conta determinado atributo, e separá-los. Todos aqueles objetos que possuírem muitos atributos em comum, ou no mínimo semelhantes, serão agrupados em uma classe específica.”
Fonte: NORVIG, P.; RUSSEL, S. Artificial intelligence: A modern approach. 3. ed. Nova Jersey: Prentice Hall, 2009.
Considerando essas informações e o conteúdo estudado sobre tipos de aprendizado de máquina, pode-se afirmar que a regra de aprendizagem citada no trecho é a:
A)associação.
B)classificação.
C)clusterizaçãozação.
D)generalização.
E)regressão.
Leia o trecho a seguir:
“É o algoritmo de Aprendizagem de Reforço mais popular, minuciosamente estudado e capaz de tornar simples a tarefa de um agente aprender uma política ótima quando modelado em um PMD. É definida uma função que representa a máxima recompensa acumulada ao longo do tempo.”
Fonte: MARTINS, M.; BIANCHI, R. Comparação de desempenho de algoritmos de aprendizado por reforço no domínio do futebol de robôs. 2007. Disponível em: <https://fei.edu.br/~rbianchi/publications/sbai2007-murilo.pdf>. Acesso em: 08 out. 2019.
Considerando essas informações e o conteúdo estudado sobre tipos de aprendizado por reforço ativo, pode-se afirmar que o trecho apresentado traz a definição de:
A) operador de maximização.
B) cenário de tráfego.
C) política do agente.
D) algoritmo de PDA.
E) aprendizado Q-LEARNING
Leia o excerto a seguir:
“O coeficiente Alpha de Cronbach pode ser utilizado para reduzir a dimensionalidade de um instrumento de pesquisa, sem prejudicar o objetivo do indicador. Neste sentido, sua utilização é de fundamental importância para identificar variáveis (itens) que não estão adequadas ao questionário, tornando-o extenso e, por vezes, repetitivo.”
Fonte: SANCHES, J. M.; SANCHES, H. S.; MASSERA, C. Redução da dimensionalidade em um instrumento de pesquisa. Análise, a. V, n. 10, ago. 2004. Disponível em: <http://www.portal.anchieta.br/revistas-e-livros/analise/pdf/analise10.pdf#page=99>. Acesso em: 20 out. 2019. (Adaptado).
O trecho apresentado trata do uso de coeficientes como um método de redução da dimensionalidade em pesquisas. Assim, considerando o excerto e os conteúdos sobre Redução de Dimensionalidade, analise as afirmativas a seguir:
I. A utilização de técnicas que permitem a redução de dimensionalidade baseia-se na busca de uma série reduzida de variáveis medidas através dos dados originais.
II. A metodologia usadana elevação da quantidade de dimensões inseridas aos dados brutos permite a aglomeração de atributos.
III. As técnicas de redução de dimensionalidade podem ser usadas também para possibilitar a visualização dos dados.
IV. A redução de dimensionalidade é uma das principais maneiras de transposição existentes, já que permite a elevação dos subconjuntos de requisitos.
Está correto apenas o que se afirma em:
A)I e II.
B)I e IV.
C)III e IV.
D)I e III.
E)II e III.
Redes Neurais Artificiais (RNAs) são modelos matemáticos com estruturas semelhantes a neurônios biológicos que possuem capacidade computacional de generalização e aprendizado. A estrutura de processamento é uma rede de unidades de processamento que imitam o funcionamento da rede de neurônios.
Considerando essas informações e o conteúdo estudado sobre redes neurais, pode-se afirmar que:
A)o treinamento de uma rede neural tem tempo determinado de execução.
B) o aprendizado supervisionado é o paradigma de treinamento mais utilizado para desenvolver aplicações de redes neurais para classificação e predição.
C) não há problemas em realizar o teste de desempenho de uma rede neural com o mesmo conjunto de dados usado para o treinamento.
D) o número de pesos de uma rede neural não influencia a rapidez com que ela processa dados.
E) o número de camadas ocultas de uma rede de alimentação direta é inversamente proporcional ao aumento do espaço de hipóteses que ela pode representar.
aprendizado Q- Learning.